量表的评价可以分为定性评价和定量评价，定性评价常用专家咨询法和 Delphi 法，定量评价一般包括量表的信度、效度和反应度。可以预见的是，这么多内容一篇文章肯定是说不完的，所以这将是一个系列，我会尽力用通俗易懂的语言把量表评价的内容说得完整、准确、具体。

一、量表评价是什么？为什么要做评价？

问卷法（主要是通过量表）是一种常见的实证研究方法，在医学/护理领域可以说无处不在，尤其是护理领域，干预性研究（比如患者自我报告结局）、观察性研究等多数原始研究都离不开问卷和量表的支持。

量表的来源无非就是三种：自己编制；汉化；直接用他人的量表。这些量表是拿来就能用吗？其实并不是，除了一些权威、经典的量表，很多量表都需要进行测评，于是各类量表评价方法应运而生，尤其是对于新编制或者汉化形成的量表，评价更是重中之重。

量表的定量评价本质是数据分析。借用温忠麟老师的话：“问卷（含量表）数据建模之前的工作，就像是一栋大楼的奠基工程，基础是否扎实，影响后续的工程质量”。

文章开篇时说了，定量评价包括量表的信度、效度和反应度。信度包括α系数、合成信度、最大信度、同质性系数、折半信度、重测信度等若干中，当前α系数、合成信度使用较多。效度也包括若干种指标和方法，比如：内容效度（由专家测评）、结构效度、校标关联效度（与权威量表进行相关分析）。

因子分析就是检测量表结构效度的主要方法，包括探索性因子分析、验证性因子分析。进行验证性因子分析时还可以计算聚合（收敛）效度、区分效度。这些指标中，少部分可以用SPSS软件完成，大部分需要使用mplus或Amos软件做，不过我研究后发现，R软件可以搞定绝大部分量表的定量评价。

扯远了，上面这些方法都会陆续在本系列文章中分享，本次先为大家介绍探索性因子分析并进行实操演示。

二、因子分析简介

想必大家对因子分析不陌生，因子分析又称因素分析，是常用的潜变量模型之一，在各学科领域都有广泛的应用。这里涉及一个很重要的名称：潜变量，在了解潜变量之前，先快速看看它的对立面：外显变量。

外显变量或观测变量(Observed Variable)是可以直接观测的变量，如个体在量表/问卷条目上的得分或度量计上的读数。外显变量可以是连续的、分类的或顺序的、计数的和名义的变量。举个通俗的例子，我们做问卷时的每个条目就是1个外显变量，因为它是可以直接通过计分算出来的。

潜变量(Latent Variable)通常是指不能直接观测的变量，需要借助外显的测量指标来估计。也许大家对潜变量比较陌生，但是如果换个词（注意不是等价）描述：维度，是不是就很熟悉了。我们使用过的很多量表都是有多个维度的（当然也有单维度量表）。

与潜变量类似的概念有很多，如建构(Constructs)、特质(Trait)和因子(Factor)等，这些概念经常替换使用，用于表达类似的意思。下面是常用的潜变量模型，其中的因素分析就是我们本期学习的因子分析。

来源：王孟成、毕向阳《潜变量建模与Mplus 应用（基础篇）》

三、探索性因子分析

一般来说，我们会先做探索性因子分析，再做验证性因子分析。探索性因子分析（Exploratory Factor Analysis，EFA）是一种统计方法，用于确定一组观测变量（也称为指标或问卷项）之间存在的潜在因子（即潜变量）。该方法旨在发现可以解释变量之间相关性的较少数量的潜在因子，并帮助简化数据集。探索性因子分析的过程通常包括以下几个步骤：

1. 数据准备：收集相关的观测变量数据，并确保数据的可靠性和有效性。通常，EFA要求变量之间具有相关性，可以通过KMO与Bartlett's Test分析该样本数据是否适合做因子分析。

2. 确定因子数量：确定需要提取的潜在因子的数量。常用的方法包括使用Kaiser准则（看特征值）、Cattell的平均特征值准则（模拟数据矩阵）、解释方差比例、碎石检验等。

3. 提取因子：使用因子提取方法（如主成分分析）从原始数据中提取潜在因子。这些因子是一组线性组合的变量，以解释观测变量之间的共变性。

4. 因子旋转：对提取的因子进行旋转，以使得每个因子更具解释性和可解释性。常用的旋转方法有方差最大旋转（Varimax）和极大似然旋转（Promax）等。前者属于正交旋转，默认各因子不相关；后者属于斜交旋转，允许各因子相关。

5. 因子解释和命名：通过研究因子载荷矩阵，确定哪些变量与哪个因子相关，并给这些因子命名。因子载荷值表示了变量与因子之间的相关性程度（本质也是相关系数）。最后还可以计算因子得分。

四、实操（基于R）

1、导入包与数据集

library(psych)library(lavaan)data(HolzingerSwineford1939)

没有安装psych和lavaan的请先安装（有疑问的可以加微信群与我联系）。Holzinger Swineford1939是lavaan包下的数据集，包含8、9年级学生的心理测验，301行，15列。实际需要使用的数据只有9列，分别命名为x1-x9。我们要做的就是从这些样本数据中抽取若干个因子。

2、预览数据并简单处理

View(HolzingerSwineford1939)md= HolzingerSwineford1939[,7:15]

将第7:15列的数据提取出来，命名为md（m）。

3、检测是否适合做因子分析

# KMO与Bartlett's Testlibrary(performance)  #未安装的请先安装check_factorstructure(md) #Chisq(36) = 904.10, p < .001,KMO = 0.75

结果显示：Chisq(36)= 904.10, p